论文摘要
由于当前热力发电设备朝大容量和高参数的方向发展,且机组设备越来越复杂,电厂提高了生产过程的控制品质。基于图像处理的火焰检测技术对于火电厂锅炉燃烧状态的监测与诊断,以及保障生产的安全、经济和环保是非常有意义的。数字火焰图像是表征锅炉炉膛内燃烧状态的最直接的反映,在燃烧监测中的地位日益重要,通过CCD摄像机和图像处理技术的应用,实现炉内燃烧工况的可视化监测,从而获得对燃烧诊断更充分、更直接的火焰检测信息。本文主要研究了基于图像处理的火焰检测与燃烧诊断方法,以实现火焰可视化与燃烧状态智能诊断,主要开展了以下三方面的研究工作:①应用图像处理方法实现火焰图像预处理及其特征提取;②利用火焰图像特征参数进行燃烧状态分析;③利用智能算法建立基于火焰图像的燃烧状态识别模型。首先,本文介绍了煤粉锅炉火焰燃烧状态监测系统的构成和火焰图像采集的原理,研究用于图像去除噪声、局部增强和图像分割的图像处理技术,并通过实验测试对图像处理方法进行效果比较。鉴于对火焰图像进行准确的边缘检测的重要性,提出了基于C-V主动轮廓模型分割图像的方法,并结合仿真实验进行验证。实验结果表明,C-V模型初始化简单,初始曲线位置、形状要求较低,抗噪能力强,并最终得到目标的连续边缘。C-V模型较经典边缘检测算子更适于电厂锅炉炉膛火焰的边缘提取,能得到满意的图像分割效果,为后续火焰特征的提取奠定了基础。其次,在分析煤粉锅炉燃烧过程的基础上,定义了锅炉内的燃烧状态和反映火焰燃烧状态的常用特征参数及其计算方法。从多幅火焰图像中提取出火焰图像的特征参数,通过仿真实验表明火焰图像特征参数与炉内燃烧状况的关联关系。此外,这些参数反映了火焰图像状态,一方面可以判断出火焰燃烧的总体趋势,从而可以用来生成燃烧状态的智能诊断模型,另一方面也可以结合运行参数利用诊断模型实时判断燃烧状态,因此具有较大的工程实用价值。最后,对用于炉膛燃烧状态诊断的支持向量机的相关理论进行了深入的理解和研究,并结合四组数据集验证支持向量机参数选择的重要性。针对支持向量机在样本训练时参数难以确定而采用交叉验证来确定的问题,本文提出了采用遗传算法优化支持向量机参数,以得到最优的支持向量机模型。利用优化的支持向量机模型进行燃烧状态诊断,并与LIBSVM实验测试进行比较,实验结果表明本文方法的可行性和优越性。